王天一 置顶2017-12-13@Karl 一个优等生和一个差生打架，老师肯定认为是差生的错，因为差生爱惹事，这就是最大似然估计；可如果老师知道优生和差生之间原本就有过节（先验信息），把这个因素考虑进来，就不会简单地认为是差生挑衅，这就是最大后验估计。
两种方式分别对应不同的机器学习算法，具体应用在机器学习模块中分别有介绍。 102- 王天一 置顶2017-12-12@yy 基础部分主要是引入概念，在后续的算法介绍中会涉及概念与方法的具体应用 15
2017-12-13我数学基础不太好，老师讲的虽然能基本看懂，但就只是停留在理论层面，无法联系到实际情况中。希望老师能多加一些现实世界中的实例，来对理论加以说明。比如讲到，“在贝叶斯学派眼中，概率描述的是随机事件的可信程度。如果手机里的天气预报应用给出明天下雨的概率是 85%，这就不能从频率的角度来解释了，而是意味着明天下雨这个事件的可信度是 85%”，像有类似于“明天降水概率为 85%”这样的实例时，我一下就明白了。再比如老师讲到：“最大似然估计法的思想是使训练数据出现的概率最大化，依此确定概率分布中的未知参数，估计出的概率分布也就最符合训练数据的分布”，这句话对我来说理解起来就很困难，如果老师能再举一例，如结合AlphaGo的原理等，就会很容易理解了。 17- 2017-12-14@奋斗达人 这是一个贝叶斯定理应用的经典问题：有一种病在人群中的患病率是1%，其检查结果的可靠程度是95%，也就是得病的人95%会得到阳性结果，没得病的人95%会得到阴性结果。如果一个人检查的结果是阳性，那他得病的概率是多少？
用贝叶斯定理解决这个问题，得到的结果会出乎意料。 14 
2017-12-29极大似然是寻找一组参数使得观测数据出现的概率最大，最大后验是寻找当前观测数据下出现概率最大的一组参数。王老师的这个解释十分透彻:) 10
2019-03-14患病概率：（0.95*0.01）/(0.95*0.01+0.05*0.99)=16.1%作者回复: 完全正确！
6
2018-05-25得病的概率是16.1%作者回复: Bingo
6
2018-01-13想问下天一老师，明天下雨的概率是85%那一段说贝叶斯学派认为概率是随机事件的可靠度。而频率学派则无法从频率的角度解释。我想问问频率学派无法解释的原因是下面的解释吗？
频率学派认为概率是随机事件在次数增多时频率的一个趋近值，而很显然明天下雨这个事件无法重复多次，所以频率学派的关于概率的定义明显就无法再这里定义。
感谢天一老师作者回复: 没错，这是一锤子买卖的事情
5
2017-12-27概率论从直觉上比线性代数容易理解，可还是要花时间去琢磨。
思考题我有几个想法：
1、产品中最常见的就是电商系统的推荐，亚马逊在一方面很早就开始实践，根据你已经买过的东西的信息来判断购买其他商品的可能性；
2、垃圾邮件过滤器，给定一封邮件，它是垃圾邮件的可能性是多大。机器甄别可能用处更大
3、第三就是拼写纠错与语义分词。
这几个方面是我结合实践生活和学习想到的，要真正将问题转化成模型与数学语言真的好难。展开作者回复: 没错，最常见的例子就是文本分类。建模确实难度很大，而且没有通用的规则，使用哪些工具需要具体情况具体分析。
5
2017-12-12希望关于数学基础的部分，描述一下在人工智能领域使用比较频繁，或者比较重要的部分。如果是一位数学基础不好的听众。可能更想知道如何去学习这一方面的知识。 4
2018-06-05@奋斗达人 这是一个贝叶斯定理应用的经典问题：有一种病在人群中的患病率是1%，其检查结果的可靠程度是95%，也就是得病的人95%会得到阳性结果，没得病的人95%会得到阴性结果。如果一个人检查的结果是阳性，那他得病的概率是多少？
用贝叶斯定理解决这个问题，得到的结果会出乎意料。
记得这样的题目，概率论学过，人工智能学过，但是总的都是模棱两可。现在学了这么多年，终于知道自己模糊的地方住在哪里了。套用贝叶斯公式求解，结果是0.1610作者回复: Bingo
3
2017-12-13对于基础薄弱或零基础人员，贝叶斯原理足够望而生畏。建议在基础知识的篇尾给出一两个带解答的范题，最后给出一两个习题。只学习没有考察无法衡量学习的成果。 3
2017-12-12很有收获。但后面的有些公式有点烧脑。如果能有更多例子，更加细化推理过程就更好了。主要是很多年以前学的概率等全部忘记了。：） 3- 2018-03-22思考题的理解—根据欺诈的结果推算哪种因素符合会最大概率出现欺诈，这算不算贝叶斯？2.在估计参数时，最大似然估计法只需要使用训练数据，最大后验概率法除了数据外还需要额外的信息，就是贝叶斯公式中的先验概率。为什么要额外信息不理解
作者回复: 因为最大似然假定待估计的参数是固定的，估计的准确与否取决于数据；最大后验则认为参数也是随机变量，有自己的先验分布。这就是额外的信息，因为数据本身体现不出参数的先验特性。
2 
2017-12-12在推荐系统中应该可以用到，某一个产品的购买信息可以被商家获取，那么商家可以对用户分类，用先验来计算此产品被某类用户购买的概率，当遇到新客户的时候就可以用贝叶斯公式来求解此客户买此产品的概率，进而依照概率来判断是否做推荐 2
2019-04-06打架那个例子，清新脱俗呀 1
2018-05-25犯罪现场调查，应该就是从既得结果去推测犯罪过程吧。 1
2018-03-13王老师，离散随机变量中的二项分布选取发生事件应该是从事件总数n中有k次发生的概率，应该是Cnk而非Ckn。作者回复: 我查了下，国内教材通行的写法是k上n下，一些国外教材的写法是n上k下。其实只要明确两者的大小关系就清楚了，最清晰的写法还是括号形式的上n下k。
1
2018-03-12二项分布Ckn kn 上下位置是否写反了作者回复: 我查了下，国内教材通行的写法是k上n下，一些国外教材的写法是n上k下。其实只要明确两者的大小关系就清楚了，最清晰的写法还是括号形式的上n下k。
1- 2017-12-12通俗易懂 谢谢老师 1